AI có thể cắt giảm đáng kể thời gian các nhà máy điện tử phải dành để truy tìm những lỗi ảo trên các dây chuyền dán bề mặt. Một lộ trình từng bước mới hướng dẫn các nhà sản xuất cách triển khai thí điểm một mô hình AI giúp xếp hạng các cảnh báo sai của hệ thống Kiểm tra Quang học Tự động (AOI), cho phép các kiểm tra viên tập trung vào những hình ảnh có khả năng ẩn chứa các vấn đề thực sự nhất.
Các hệ thống AOI đánh dấu mọi lỗi tiềm ẩn, nhưng hầu hết các cảnh báo hóa ra chỉ là những biến thể vô hại về hình dạng linh kiện hoặc độ loang thiếc. Các kiểm tra viên lãng phí nhiều phút để phân loại những "cảnh báo sai" này, trong khi các lỗi thực sự đôi khi lại lọt qua để đến các trạm kiểm tra sau đó. Nguyên lý cốt lõi của hướng dẫn này rất đơn giản: sử dụng AI không phải để thay thế công cụ ra quyết định của AOI, mà để sắp xếp lại các cảnh báo của nó sao cho những cảnh báo rủi ro nhất xuất hiện trước tiên.
Tại sao vấn đề này lại quan trọng vào lúc này
Các dây chuyền SMT (Surface-Mount Technology) vận hành với tốc độ khiến con người khó có thể kiểm tra lại kịp thời. Khi các cảnh báo sai chiếm ưu thế trong luồng cảnh báo, người vận hành phải tạm dừng dây chuyền, xác minh thủ công từng hình ảnh và ghi lại các hành động sửa chữa. Nút thắt cổ chai đó làm tăng chi phí nhân công và làm giảm năng suất.
Khung triển khai thí điểm – từ ý tưởng đến tài sản thực tế
Xác định mục tiêu hẹp và an toàn Việc thí điểm chỉ nên tập trung vào việc xếp hạng các cảnh báo AOI, không tự động chấp nhận hoặc loại bỏ bảng mạch. Việc giữ quyền quyết định trong tay con người đảm bảo mô hình không âm thầm gây ra các vi phạm về chất lượng.
Thiết lập mức cơ sở (baseline) Trước khi bất kỳ mô hình nào chạm vào dữ liệu, hãy ghi lại các chỉ số hiện tại: tỷ lệ cảnh báo sai, thời gian kiểm tra trung bình mỗi bảng mạch, tỷ lệ lỗi lọt lưới và FPY. Sử dụng các con số này làm thước đo để cải tiến.
Thu thập dữ liệu phong phú và có liên kết Kết hợp hình ảnh AOI với kết luận của kiểm tra viên, mã sửa chữa được chỉ định, kết quả kiểm tra cuối cùng và các trường ngữ cảnh như số sê-ri, dấu thời gian và công thức máy (machine recipe). Tập dữ liệu càng phong phú, mô hình càng trở nên tinh vi hơn.
Phòng tránh nhiễm bẩn dữ liệu Các Lệnh Thay đổi Kỹ thuật (ECOs) thường làm thay đổi footprint linh kiện hoặc kiểu mẫu pad. Việc trộn lẫn hình ảnh trước và sau ECO sẽ làm mô hình bị nhầm lẫn, dẫn đến dự đoán kém. Hãy phân đoạn dữ liệu theo phiên bản hoặc theo ngày thay đổi.
Áp dụng các nhãn có ý nghĩa Thay vì chỉ dùng nhãn nhị phân "lỗi / không lỗi", hãy sử dụng các danh mục như "cần sửa chữa (rework)", "cần xem xét kỹ thuật" hoặc "biến thể có thể chấp nhận được". Các nhãn chi tiết giúp mô hình nhận được tín hiệu rõ ràng hơn về mức độ nghiêm trọng của từng cảnh báo.
Chia dữ liệu đúng cách Việc xáo trộn ngẫu nhiên các bản ghi vào tập huấn luyện và tập kiểm tra có thể khiến mô hình trông có vẻ tốt hơn thực tế khi đưa vào sản xuất. Hãy chia theo khung thời gian hoặc theo phiên bản sản phẩm để tập kiểm tra thực sự phản ánh dữ liệu tương lai chưa từng thấy.
Xác thực với thực tế sử dụng Sau khi huấn luyện, hãy xếp hạng một lô dữ liệu xác thực và đo lường xem có bao nhiêu lỗi thực sự nằm trong top 20% đầu danh sách. Nếu mô hình đưa ra được hầu hết các vấn đề thực sự sớm nhất, nó đã sẵn sàng để triển khai có kiểm soát.
Coi mô hình là một tài sản sản xuất Ghi lại mọi phiên bản, tập dữ liệu huấn luyện và các tinh chỉnh siêu tham số (hyper-parameter) trong cùng một hệ thống kiểm soát thay đổi dùng để theo dõi các phiên bản phần cứng. Nhật ký kiểm tra này cho phép bạn hoàn tác hoặc cập nhật mô hình một cách tự tin.
Chạy song song, không thay thế Triển khai công cụ xếp hạng AI song song với quy trình kiểm tra hiện tại. So sánh các đề xuất của nó với quyết định của kiểm tra viên và kết quả kiểm tra cuối cùng trong vài tuần trước khi thay đổi bất kỳ tiêu chí chấp nhận nào.
Lặp lại trước khi mở rộng Một đợt thí điểm thành công là một sự thay đổi quy trình có kiểm soát, không phải là một thử nghiệm không giới hạn. Khi mô hình cải thiện nhất quán các chỉ số cơ sở, hãy áp dụng phương pháp này cho các trường hợp sử dụng khác như bảo trì dự đoán hoặc chất lượng nhà cung cấp.
Rủi ro và các quan điểm phản biện
- Chất lượng dữ liệu là yếu tố then chốt – Các dấu thời gian không đầy đủ hoặc thiếu mã sửa chữa sẽ tạo ra một mô hình nhiễu và kém hiệu quả. Một quy trình thu thập dữ liệu kỷ luật là điều không thể thương lượng.
- Sự trôi dạt mô hình (Model drift) – Các linh kiện mới làm thay đổi hồ sơ thống kê của các hình ảnh "bình thường". Việc tái huấn luyện thường xuyên, dưới sự hướng dẫn của cùng một quy trình kiểm soát thay đổi, sẽ giảm thiểu sự trôi dạt này.
- Sự mệt mỏi của con người trong quy trình (Human-in-the-loop fatigue) – Việc xếp hạng cảnh báo vẫn yêu cầu kiểm tra viên phải xem xét nhiều hình ảnh. Nếu việc xếp hạng không tách biệt được lỗi thực sự khỏi nhiễu, thời gian tiết kiệm được dự kiến sẽ biến mất. Hãy liên tục theo dõi thời gian kiểm tra trên mỗi bảng mạch.
Những gì cần theo dõi tiếp theo
Các nhà sản xuất thực hiện thành công đợt thí điểm xếp hạng AOI có thể mở rộng mô hình này sang các trường hợp sử dụng khác như bảo trì dự đoán hoặc chất lượng nhà cung cấp.
Điểm mấu chốt: AI chỉ giúp tối ưu hóa hiệu suất dây chuyền SMT khi nó được tích hợp vào một hệ thống cảnh báo phân cấp, được xây dựng trên nền tảng dữ liệu sạch, có kiểm soát phiên bản và đã được xác thực dựa trên các lỗi thực tế phát sinh. Hãy coi mô hình là một tài sản sản xuất thay vì chỉ là một bản demo nhất thời, khi đó thành quả đạt được sẽ trở thành một lợi thế có thể lặp lại.